Data Mining - Versionsgeschichte

Salis.Matteo am 4. Dezember 2020 um 09:54 Uhr

2020-12-04T09:54:49Z

← Nächstältere Version		Version vom 4. Dezember 2020, 11:54 Uhr
Zeile 103:		Zeile 103:

	[[Kategorie:Data Analytics]]		[[Kategorie:Data Analytics]]
			[[Kategorie:Digital Controlling]]

Salis.Matteo: /* Kritische Würdigung */

2020-10-28T13:49:42Z

Kritische Würdigung

← Nächstältere Version		Version vom 28. Oktober 2020, 15:49 Uhr
Zeile 49:		Zeile 49:
	Um eine Einführung des Data Minings im Controlling zu garantieren, müssen auch die Einschränkungen und „Fallen“ kritisch unter Augenschein genommen werden. Das Data Mining stösst vor allem bei der klassischen Statistik auf Kritik. Einerseits wird der hypothesenfreie Ansatz bemängelt und andererseits stellt Data Mining als Ganzes einen komplementären Ansatz im Vergleich zur Statistik dar. Das Data Mining muss etwas relativ gesehen werden. Auch wenn Datenmodelle statistisch korrekt sind, können sie inhaltlich zu falschen Rückschlüssen führen (Gentsch, 2003, S. 20).		Um eine Einführung des Data Minings im Controlling zu garantieren, müssen auch die Einschränkungen und „Fallen“ kritisch unter Augenschein genommen werden. Das Data Mining stösst vor allem bei der klassischen Statistik auf Kritik. Einerseits wird der hypothesenfreie Ansatz bemängelt und andererseits stellt Data Mining als Ganzes einen komplementären Ansatz im Vergleich zur Statistik dar. Das Data Mining muss etwas relativ gesehen werden. Auch wenn Datenmodelle statistisch korrekt sind, können sie inhaltlich zu falschen Rückschlüssen führen (Gentsch, 2003, S. 20).

	Das Potenzial von Data Mining wurde schon lange von einigen ~~namenhaften~~ Unternehmen erkannt, die weltweit tätig sind. So ist das Data Mining für den Social Media-Gigant Facebook von zentraler wirtschaftlicher Bedeutung. Trotz der dominanten Position von Google hat sich Facebook als einer der Hauptakteure in diesem Bereich etabliert (Gerlitz & Helmond, 2012, S. 1357). Der in 2018 bekannt gewordene Facebook-Cambridge-Skandal warf einige Fragen bezüglich des Datenschutzes von Facebook-Nutzern auf (The Guardian, online). Dieses Beispiel von Facebook zeigt, dass mit Data Mining vorsichtig umzugehen ist und alle möglichen Risiken abgeklärt werden müssen, bevor die Daten weiterverarbeitet werden.		Das Potenzial von Data Mining wurde schon lange von einigen namhaften Unternehmen erkannt, die weltweit tätig sind. So ist das Data Mining für den Social Media-Gigant Facebook von zentraler wirtschaftlicher Bedeutung. Trotz der dominanten Position von Google hat sich Facebook als einer der Hauptakteure in diesem Bereich etabliert (Gerlitz & Helmond, 2012, S. 1357). Der in 2018 bekannt gewordene Facebook-Cambridge-Skandal warf einige Fragen bezüglich des Datenschutzes von Facebook-Nutzern auf (The Guardian, online). Dieses Beispiel von Facebook zeigt, dass mit Data Mining vorsichtig umzugehen ist und alle möglichen Risiken abgeklärt werden müssen, bevor die Daten weiterverarbeitet werden.

	== Lern- und Praxismaterialien ==		== Lern- und Praxismaterialien ==

Salis.Matteo: /* Anwendung */

2020-10-28T13:48:49Z

Anwendung

← Nächstältere Version		Version vom 28. Oktober 2020, 15:48 Uhr
Zeile 40:		Zeile 40:
	Das Aufdecken von Ursache-Wirkungs-Beziehungen ist eine weitere Anwendung von Data Mining (Chamoni & Gluchowski, 2017, S. 11). In eine ähnliche Richtung geht der Einsatz von Data Mining in der Ursachenforschung. Hier möchte man mit der automatischen Analyse-Komponente gezielt Fragestellungen beantworten. Zu erwähnen ist, dass eine solche Analyse nicht nur das Unternehmen selbst, sondern auch Sachverhalte externer Natur betrachten soll (Gleich & Sauter, 2008, S. 370-371.).		Das Aufdecken von Ursache-Wirkungs-Beziehungen ist eine weitere Anwendung von Data Mining (Chamoni & Gluchowski, 2017, S. 11). In eine ähnliche Richtung geht der Einsatz von Data Mining in der Ursachenforschung. Hier möchte man mit der automatischen Analyse-Komponente gezielt Fragestellungen beantworten. Zu erwähnen ist, dass eine solche Analyse nicht nur das Unternehmen selbst, sondern auch Sachverhalte externer Natur betrachten soll (Gleich & Sauter, 2008, S. 370-371.).

	Ein Verfahren, das ~~klassischer Weise~~ nicht zu einem der Data Mining-Verfahren zählt, ist Statistical Process Control (auch Kontrollkarte). Dabei handelt es sich um allgemeine statische Verfahren zur Überwachung und dauerhaften Überarbeitung von Produktionsprozessen (Langmann, 2018, S. 40).		Ein Verfahren, das klassischerweise nicht zu einem der Data Mining-Verfahren zählt, ist Statistical Process Control (auch Kontrollkarte). Dabei handelt es sich um allgemeine statische Verfahren zur Überwachung und dauerhaften Überarbeitung von Produktionsprozessen (Langmann, 2018, S. 40).

	Im [[Business Intelligence\|Business Intelligence]]-Kontext stellt Data Mining schon seit langem eine fixe Anwendung dar (Ereth & Kemper, 2016, S. 459-460).		Im [[Business Intelligence\|Business Intelligence]]-Kontext stellt Data Mining schon seit langem eine fixe Anwendung dar (Ereth & Kemper, 2016, S. 459-460).

Salis.Matteo: /* Anwendung */

2020-10-28T13:48:24Z

Anwendung

← Nächstältere Version		Version vom 28. Oktober 2020, 15:48 Uhr
Zeile 36:		Zeile 36:
	Data Mining kann in ausgewählten Bereichen des Controllings zur Unterstützung und Verbesserung dienen. Neben den Möglichkeiten im Vertriebs-Controlling bietet es auch Unterstützung bei Konzepten der [[Balanced Scorecard\|Balanced Scorecard]] beziehungsweise der Web Scorecard. Unter anderem können Data Mining-Methoden bei der Zielfindung oder der Identifizierung von Maßnahmen für die Zielerreichung hilfreich sein. Ebenfalls können Ergebnisse von Data Mining-Analysen dazu verwendet werden, die Effektivität einzelner [[Balanced Scorecard\|Balanced Scorecard]]-Initiativen zu bewerten (Gentsch, 2003, S. 21).		Data Mining kann in ausgewählten Bereichen des Controllings zur Unterstützung und Verbesserung dienen. Neben den Möglichkeiten im Vertriebs-Controlling bietet es auch Unterstützung bei Konzepten der [[Balanced Scorecard\|Balanced Scorecard]] beziehungsweise der Web Scorecard. Unter anderem können Data Mining-Methoden bei der Zielfindung oder der Identifizierung von Maßnahmen für die Zielerreichung hilfreich sein. Ebenfalls können Ergebnisse von Data Mining-Analysen dazu verwendet werden, die Effektivität einzelner [[Balanced Scorecard\|Balanced Scorecard]]-Initiativen zu bewerten (Gentsch, 2003, S. 21).

	Ein weiteres Teilgebiet stellt Data Mining für [[Business Analytics#Einsatzgebiete\|Predictive Analytics]] dar. Dieses wiederum befasst sich damit was in der Zukunft passieren kann. Anders gesagt, stellt man sich die Frage, wie man Ereignisse vorhersagen kann (Egel & Keimer, S. 21-22). Die Predictive Analytics-Methoden können unter anderem mithilfe von Microsoft Excel angewendet werden (Langmann, 2018, S. 38). Weiter können Prognosemodelle aus den Trends erarbeitet werden, welche die Unternehmens- und Finanzplanung unterstützen (Schön, 2018, S. 268).		Ein weiteres Teilgebiet stellt Data Mining für [[Business Analytics#Einsatzgebiete\|Predictive Analytics]] dar. Dieses wiederum befasst sich, damit was in der Zukunft passieren kann. Anders gesagt, stellt man sich die Frage, wie man Ereignisse vorhersagen kann (Egel & Keimer, S. 21-22). Die Predictive Analytics-Methoden können unter anderem mithilfe von Microsoft Excel angewendet werden (Langmann, 2018, S. 38). Weiter können Prognosemodelle aus den Trends erarbeitet werden, welche die Unternehmens- und Finanzplanung unterstützen (Schön, 2018, S. 268).

	Das Aufdecken von Ursache-Wirkungs-Beziehungen ist eine weitere Anwendung von Data Mining (Chamoni & Gluchowski, 2017, S. 11). In eine ähnliche Richtung geht der Einsatz von Data Mining in der Ursachenforschung. Hier möchte man mit der automatischen Analyse-Komponente gezielt Fragestellungen beantworten. Zu erwähnen ist, dass eine solche Analyse nicht nur das Unternehmen selbst, sondern auch Sachverhalte externer Natur betrachten soll (Gleich & Sauter, 2008, S. 370-371.).		Das Aufdecken von Ursache-Wirkungs-Beziehungen ist eine weitere Anwendung von Data Mining (Chamoni & Gluchowski, 2017, S. 11). In eine ähnliche Richtung geht der Einsatz von Data Mining in der Ursachenforschung. Hier möchte man mit der automatischen Analyse-Komponente gezielt Fragestellungen beantworten. Zu erwähnen ist, dass eine solche Analyse nicht nur das Unternehmen selbst, sondern auch Sachverhalte externer Natur betrachten soll (Gleich & Sauter, 2008, S. 370-371.).

Salis.Matteo: /* Regressionsanalyse */

2020-10-28T13:45:21Z

Regressionsanalyse

← Nächstältere Version		Version vom 28. Oktober 2020, 15:45 Uhr
Zeile 27:		Zeile 27:

	=== Regressionsanalyse ===		=== Regressionsanalyse ===
	Mit der Regressionsanalyse wird versucht Abhängigkeiten zwischen verschiedenen Faktoren zu finden. Die Abhängigkeit dabei bezieht sich auf eine abhängige stetige Variable und einer oder mehreren unabhängigen Variablen. Angewendet wird die Regressionsanalyse beispielsweise, um Zusammenhänge zwischen dem Alter und dem Konsum eines Produktes herauszufinden (Schön, 2018, S. 383).		Mit der Regressionsanalyse wird versucht, Abhängigkeiten zwischen verschiedenen Faktoren zu finden. Die Abhängigkeit dabei bezieht sich auf eine abhängige stetige Variable und einer oder mehreren unabhängigen Variablen. Angewendet wird die Regressionsanalyse beispielsweise, um Zusammenhänge zwischen dem Alter und dem Konsum eines Produktes herauszufinden (Schön, 2018, S. 383).

	=== Abweichungsentdeckung ===		=== Abweichungsentdeckung ===

Salis.Matteo: /* Anwendung */

2020-10-16T05:22:31Z

Anwendung

← Nächstältere Version		Version vom 16. Oktober 2020, 07:22 Uhr
Zeile 45:		Zeile 45:

	Der [[Data Scientist\|Data Scientist]] ist nicht mit dem Berufsbild des Controllers zu verwechseln (Steiner & Welker, 2016, S. 70). Er sollte einen konkreten Aufgabenbereich bzw. eine bestimmte Rolle in einem Unternehmen übernehmen (Schuhmann, Zschech, & Hilbert, 2016, S. 462-463).		Der [[Data Scientist\|Data Scientist]] ist nicht mit dem Berufsbild des Controllers zu verwechseln (Steiner & Welker, 2016, S. 70). Er sollte einen konkreten Aufgabenbereich bzw. eine bestimmte Rolle in einem Unternehmen übernehmen (Schuhmann, Zschech, & Hilbert, 2016, S. 462-463).

	~~Folgende Tabelle zeigt eine nicht abschliessende Liste von verschiedenen Anbietern von Data Mining Software-Lösungen:~~
	~~{\| class="wikitable" style="margin: 1em left 1em left;"~~
	\|-
	~~! style="width: 27em" \| Anbieter !! style="width: 22em" \| Webseite !! style="width: 22em" \| Lösung~~
	\|-
	~~\| SAS Institute AG, Wallisellen, Schweiz \|\| style="width: 22em" \| [https://www.sas.com/de_ch/home.html www.sas.com]\|\| style="width: 22em" \| SAS ® Visual Data Mining and Machine Learning~~
	\|-
	~~\| KNIME AG, Zürich, Schweiz \|\| style="width: 22em" \| [https://www.knime.com/ www.knime.com] \|\| style="width: 22em" \| Churn / Cancelation / Retention Analysis~~
	\|-
	\| Google LLC, Mountain View, USA \|\| style="width: 22em" \| [https://marketingplatform.google.com/intl/de/about/analytics/ https://marketingplatform.google.com/intl/de/about/analytics/] \|\| style="width: 22em" \| Google Analytics
	\|}

	== Kritische Würdigung ==		== Kritische Würdigung ==

Salis.Matteo: /* Begriffsdefinition */

2020-10-16T04:56:24Z

Begriffsdefinition

← Nächstältere Version		Version vom 16. Oktober 2020, 06:56 Uhr
Zeile 15:		Zeile 15:

	'''Präskriptives Data Mining''':		'''Präskriptives Data Mining''':
	Hier gilt es zuerst eine Hypothese zu bilden und diese anschliessend durch Experimente und empirische Untersuchungen zu belegen. Hiernach sollen Massnahmen aufgrund von verschiedenen Erwartungsszenarien abgeleitet werden. Dabei kommt der Ansatz des [[~~Predictive~~ Analytics\|Predictive Analytics]] zum Einsatz, welcher nicht klar von Data Mining abzutrennen ist, beziehungsweise einen Teilbereich darstellt (Schön, 2018, S. 381).		Hier gilt es zuerst eine Hypothese zu bilden und diese anschliessend durch Experimente und empirische Untersuchungen zu belegen. Hiernach sollen Massnahmen aufgrund von verschiedenen Erwartungsszenarien abgeleitet werden. Dabei kommt der Ansatz des [[Business Analytics#Einsatzgebiete\|Predictive Analytics]] zum Einsatz, welcher nicht klar von Data Mining abzutrennen ist, beziehungsweise einen Teilbereich darstellt (Schön, 2018, S. 381).

	== Prozess ==		== Prozess ==

Salis.Matteo: /* Anwendung */

2020-10-16T04:38:31Z

Anwendung

← Nächstältere Version		Version vom 16. Oktober 2020, 06:38 Uhr
Zeile 36:		Zeile 36:
	Data Mining kann in ausgewählten Bereichen des Controllings zur Unterstützung und Verbesserung dienen. Neben den Möglichkeiten im Vertriebs-Controlling bietet es auch Unterstützung bei Konzepten der [[Balanced Scorecard\|Balanced Scorecard]] beziehungsweise der Web Scorecard. Unter anderem können Data Mining-Methoden bei der Zielfindung oder der Identifizierung von Maßnahmen für die Zielerreichung hilfreich sein. Ebenfalls können Ergebnisse von Data Mining-Analysen dazu verwendet werden, die Effektivität einzelner [[Balanced Scorecard\|Balanced Scorecard]]-Initiativen zu bewerten (Gentsch, 2003, S. 21).		Data Mining kann in ausgewählten Bereichen des Controllings zur Unterstützung und Verbesserung dienen. Neben den Möglichkeiten im Vertriebs-Controlling bietet es auch Unterstützung bei Konzepten der [[Balanced Scorecard\|Balanced Scorecard]] beziehungsweise der Web Scorecard. Unter anderem können Data Mining-Methoden bei der Zielfindung oder der Identifizierung von Maßnahmen für die Zielerreichung hilfreich sein. Ebenfalls können Ergebnisse von Data Mining-Analysen dazu verwendet werden, die Effektivität einzelner [[Balanced Scorecard\|Balanced Scorecard]]-Initiativen zu bewerten (Gentsch, 2003, S. 21).

	Ein weiteres Teilgebiet stellt Data Mining für [[Business Analytics[Einsatzgebiete]\|Predictive Analytics]] dar. Dieses wiederum befasst sich damit was in der Zukunft passieren kann. Anders gesagt, stellt man sich die Frage, wie man Ereignisse vorhersagen kann (Egel & Keimer, S. 21-22). Die Predictive Analytics-Methoden können unter anderem mithilfe von Microsoft Excel angewendet werden (Langmann, 2018, S. 38). Weiter können Prognosemodelle aus den Trends erarbeitet werden, welche die Unternehmens- und Finanzplanung unterstützen (Schön, 2018, S. 268).		Ein weiteres Teilgebiet stellt Data Mining für [[Business Analytics#Einsatzgebiete\|Predictive Analytics]] dar. Dieses wiederum befasst sich damit was in der Zukunft passieren kann. Anders gesagt, stellt man sich die Frage, wie man Ereignisse vorhersagen kann (Egel & Keimer, S. 21-22). Die Predictive Analytics-Methoden können unter anderem mithilfe von Microsoft Excel angewendet werden (Langmann, 2018, S. 38). Weiter können Prognosemodelle aus den Trends erarbeitet werden, welche die Unternehmens- und Finanzplanung unterstützen (Schön, 2018, S. 268).

	Das Aufdecken von Ursache-Wirkungs-Beziehungen ist eine weitere Anwendung von Data Mining (Chamoni & Gluchowski, 2017, S. 11). In eine ähnliche Richtung geht der Einsatz von Data Mining in der Ursachenforschung. Hier möchte man mit der automatischen Analyse-Komponente gezielt Fragestellungen beantworten. Zu erwähnen ist, dass eine solche Analyse nicht nur das Unternehmen selbst, sondern auch Sachverhalte externer Natur betrachten soll (Gleich & Sauter, 2008, S. 370-371.).		Das Aufdecken von Ursache-Wirkungs-Beziehungen ist eine weitere Anwendung von Data Mining (Chamoni & Gluchowski, 2017, S. 11). In eine ähnliche Richtung geht der Einsatz von Data Mining in der Ursachenforschung. Hier möchte man mit der automatischen Analyse-Komponente gezielt Fragestellungen beantworten. Zu erwähnen ist, dass eine solche Analyse nicht nur das Unternehmen selbst, sondern auch Sachverhalte externer Natur betrachten soll (Gleich & Sauter, 2008, S. 370-371.).

Salis.Matteo: /* Anwendung */

2020-10-16T04:30:43Z

Anwendung

← Nächstältere Version		Version vom 16. Oktober 2020, 06:30 Uhr
Zeile 36:		Zeile 36:
	Data Mining kann in ausgewählten Bereichen des Controllings zur Unterstützung und Verbesserung dienen. Neben den Möglichkeiten im Vertriebs-Controlling bietet es auch Unterstützung bei Konzepten der [[Balanced Scorecard\|Balanced Scorecard]] beziehungsweise der Web Scorecard. Unter anderem können Data Mining-Methoden bei der Zielfindung oder der Identifizierung von Maßnahmen für die Zielerreichung hilfreich sein. Ebenfalls können Ergebnisse von Data Mining-Analysen dazu verwendet werden, die Effektivität einzelner [[Balanced Scorecard\|Balanced Scorecard]]-Initiativen zu bewerten (Gentsch, 2003, S. 21).		Data Mining kann in ausgewählten Bereichen des Controllings zur Unterstützung und Verbesserung dienen. Neben den Möglichkeiten im Vertriebs-Controlling bietet es auch Unterstützung bei Konzepten der [[Balanced Scorecard\|Balanced Scorecard]] beziehungsweise der Web Scorecard. Unter anderem können Data Mining-Methoden bei der Zielfindung oder der Identifizierung von Maßnahmen für die Zielerreichung hilfreich sein. Ebenfalls können Ergebnisse von Data Mining-Analysen dazu verwendet werden, die Effektivität einzelner [[Balanced Scorecard\|Balanced Scorecard]]-Initiativen zu bewerten (Gentsch, 2003, S. 21).

	Ein weiteres Teilgebiet stellt Data Mining für [[Business Analytics/Einsatzgebiete\|Predictive Analytics]] dar. Dieses wiederum befasst sich damit was in der Zukunft passieren kann. Anders gesagt, stellt man sich die Frage, wie man Ereignisse vorhersagen kann (Egel & Keimer, S. 21-22). Die Predictive Analytics-Methoden können unter anderem mithilfe von Microsoft Excel angewendet werden (Langmann, 2018, S. 38). Weiter können Prognosemodelle aus den Trends erarbeitet werden, welche die Unternehmens- und Finanzplanung unterstützen (Schön, 2018, S. 268).		Ein weiteres Teilgebiet stellt Data Mining für [[Business Analytics[Einsatzgebiete]\|Predictive Analytics]] dar. Dieses wiederum befasst sich damit was in der Zukunft passieren kann. Anders gesagt, stellt man sich die Frage, wie man Ereignisse vorhersagen kann (Egel & Keimer, S. 21-22). Die Predictive Analytics-Methoden können unter anderem mithilfe von Microsoft Excel angewendet werden (Langmann, 2018, S. 38). Weiter können Prognosemodelle aus den Trends erarbeitet werden, welche die Unternehmens- und Finanzplanung unterstützen (Schön, 2018, S. 268).

	Das Aufdecken von Ursache-Wirkungs-Beziehungen ist eine weitere Anwendung von Data Mining (Chamoni & Gluchowski, 2017, S. 11). In eine ähnliche Richtung geht der Einsatz von Data Mining in der Ursachenforschung. Hier möchte man mit der automatischen Analyse-Komponente gezielt Fragestellungen beantworten. Zu erwähnen ist, dass eine solche Analyse nicht nur das Unternehmen selbst, sondern auch Sachverhalte externer Natur betrachten soll (Gleich & Sauter, 2008, S. 370-371.).		Das Aufdecken von Ursache-Wirkungs-Beziehungen ist eine weitere Anwendung von Data Mining (Chamoni & Gluchowski, 2017, S. 11). In eine ähnliche Richtung geht der Einsatz von Data Mining in der Ursachenforschung. Hier möchte man mit der automatischen Analyse-Komponente gezielt Fragestellungen beantworten. Zu erwähnen ist, dass eine solche Analyse nicht nur das Unternehmen selbst, sondern auch Sachverhalte externer Natur betrachten soll (Gleich & Sauter, 2008, S. 370-371.).

Salis.Matteo: /* Anwendung */

2020-10-16T04:30:10Z

Anwendung

← Nächstältere Version		Version vom 16. Oktober 2020, 06:30 Uhr
Zeile 36:		Zeile 36:
	Data Mining kann in ausgewählten Bereichen des Controllings zur Unterstützung und Verbesserung dienen. Neben den Möglichkeiten im Vertriebs-Controlling bietet es auch Unterstützung bei Konzepten der [[Balanced Scorecard\|Balanced Scorecard]] beziehungsweise der Web Scorecard. Unter anderem können Data Mining-Methoden bei der Zielfindung oder der Identifizierung von Maßnahmen für die Zielerreichung hilfreich sein. Ebenfalls können Ergebnisse von Data Mining-Analysen dazu verwendet werden, die Effektivität einzelner [[Balanced Scorecard\|Balanced Scorecard]]-Initiativen zu bewerten (Gentsch, 2003, S. 21).		Data Mining kann in ausgewählten Bereichen des Controllings zur Unterstützung und Verbesserung dienen. Neben den Möglichkeiten im Vertriebs-Controlling bietet es auch Unterstützung bei Konzepten der [[Balanced Scorecard\|Balanced Scorecard]] beziehungsweise der Web Scorecard. Unter anderem können Data Mining-Methoden bei der Zielfindung oder der Identifizierung von Maßnahmen für die Zielerreichung hilfreich sein. Ebenfalls können Ergebnisse von Data Mining-Analysen dazu verwendet werden, die Effektivität einzelner [[Balanced Scorecard\|Balanced Scorecard]]-Initiativen zu bewerten (Gentsch, 2003, S. 21).

	Ein weiteres Teilgebiet stellt Data Mining für [[Business Analytics\|~~Einsatzgebiete~~]] dar. Dieses wiederum befasst sich damit was in der Zukunft passieren kann. Anders gesagt, stellt man sich die Frage, wie man Ereignisse vorhersagen kann (Egel & Keimer, S. 21-22). Die Predictive Analytics-Methoden können unter anderem mithilfe von Microsoft Excel angewendet werden (Langmann, 2018, S. 38). Weiter können Prognosemodelle aus den Trends erarbeitet werden, welche die Unternehmens- und Finanzplanung unterstützen (Schön, 2018, S. 268).		Ein weiteres Teilgebiet stellt Data Mining für [[Business Analytics/Einsatzgebiete\|Predictive Analytics]] dar. Dieses wiederum befasst sich damit was in der Zukunft passieren kann. Anders gesagt, stellt man sich die Frage, wie man Ereignisse vorhersagen kann (Egel & Keimer, S. 21-22). Die Predictive Analytics-Methoden können unter anderem mithilfe von Microsoft Excel angewendet werden (Langmann, 2018, S. 38). Weiter können Prognosemodelle aus den Trends erarbeitet werden, welche die Unternehmens- und Finanzplanung unterstützen (Schön, 2018, S. 268).

	Das Aufdecken von Ursache-Wirkungs-Beziehungen ist eine weitere Anwendung von Data Mining (Chamoni & Gluchowski, 2017, S. 11). In eine ähnliche Richtung geht der Einsatz von Data Mining in der Ursachenforschung. Hier möchte man mit der automatischen Analyse-Komponente gezielt Fragestellungen beantworten. Zu erwähnen ist, dass eine solche Analyse nicht nur das Unternehmen selbst, sondern auch Sachverhalte externer Natur betrachten soll (Gleich & Sauter, 2008, S. 370-371.).		Das Aufdecken von Ursache-Wirkungs-Beziehungen ist eine weitere Anwendung von Data Mining (Chamoni & Gluchowski, 2017, S. 11). In eine ähnliche Richtung geht der Einsatz von Data Mining in der Ursachenforschung. Hier möchte man mit der automatischen Analyse-Komponente gezielt Fragestellungen beantworten. Zu erwähnen ist, dass eine solche Analyse nicht nur das Unternehmen selbst, sondern auch Sachverhalte externer Natur betrachten soll (Gleich & Sauter, 2008, S. 370-371.).